By OCAdmin in 研究報導 on

由本所張以杰，蕭仁傑老師及本校生物機電工程學系馬琮翔同學及郭彥甫老師等研究人員所組成的臺灣大學跨領域研究團隊，利用AI深度學習技術建立了一套以耳石影像進行太平洋黑鮪(Thunnus orientalis)年齡自動判讀系統。該研究成果突破以人工方式進行年齡估計，減少時間及人員訓練成本，並提供開放平台供使用，這將有助於快速監控太平洋黑鮪年齡結構和族群變動，進而促進漁業資源的有效管理和保育。研究成果於2024年3月刊登在《Fisheries Research》期刊上。感興趣的讀者可以閱讀全文以獲取更多資訊：

Ma, T.H.¹, Chang, Y.J.¹, Shiao, J.C., Jin, C.B., Kuo, Y.F. ^*(2024) Enhancing machine learning-based age estimation for Pacific bluefin tuna: An approach with data imputation and image augmentation strategies. Fisheries Research 274, 106992.

https://doi.org/10.1016/j.fishres.2024.106992

太平洋黑鮪AI年齡估計網站：

https://ml-tunaotolith.toolmenlab.bime.ntu.edu.tw

太平洋黑鮪資源在過去25年間曾經歷嚴重衰退，生物量從1996年開始下降，並在2010年達到歷史最低點。受到大環境影響，臺灣黑鮪季捕撈成熟黑鮪的產量在2012年創下新低，僅有711尾，重量僅214噸，較1999年減少了93%。隨著一系列嚴格的管理措施的實施，黑鮪資源在近10年已經開始恢復，並且近年來恢復速度更加迅速。

瞭解太平洋黑鮪的年齡資訊對於其生態學、漁業管理和保育至關重要。透過研究黑鮪的年齡資訊，我們可以瞭解魚群的生長速率、成熟年齡、壽命及年齡結構，進而更好地評估漁業壓力對魚類資源的影響，並制定相應的保護措施。最常見的年齡查定方法是計數耳石中形成的交替不透明和半透明區域（即生長帶）的數量。然而，該方法需要由有經驗的專家來進行，且過程中面臨諸多挑戰（核心及輪紋不清晰，偽輪紋，高齡魚年輪密集），這使得年齡判讀過程變得困難和耗時的任務。

圖一、太平洋黑鮪（Thunnus orientalis）不同年齡的耳石橫截面影像。每條魚的年齡由經驗豐富的讀者所估算（左上角數字為年齡）。

該研究探討應用卷積神經網絡（CNN）於太平洋黑鮪耳石影像上來進行年齡自動判讀的可行性。此外，為了提升模型的估計能力，並加入耳石重量，體重，體長作為輔助訓練。然而，耳石可能因為解剖取樣過程中破損（或其他因素）而導致耳石重量為缺失值。這一來導致可被用來作為CNN模型訓練的樣本數不足。為解決及探討以上問題，該研究共開發三個CNN模型來進行比較：（1）基準模型（Baseline）；（2）耳石重量數據填補（Otolith Mass Imputation ，OMI）模型；及耳石重量數據填補與圖像增強（Otolith Mass Imputation and Image Augmentation ，OMIA）模型。結果顯示OMIA模型的表現力為最佳，達最高的準確率（與已知年齡誤差正負一歲內的準確率達 72.81%）（表一）。

表一、三種模型的年齡估計表現力評估。使用的評估指標包括準確率、誤差一歲內準確率（±1-acc）、變異係數（CV）和決定係數（R²）。

此外，研究發現模型預測的年齡分佈及von Bertalanffy成長曲線與人工判讀所得結果並無統計上的顯著差異。神經網路可視化分析顯示，OMIA模型訓練時著重的特徵主要集中在耳石腹臂上的不透明區域，這代表模型能夠模擬人工判讀時關注的特徵區域，而該重要部位若有被遮蔽則會影響年齡估計結果（參見圖二）。此外，研究還指出未來研究將面臨多項挑戰，例如年齡4-5和25-27歲樣本相當有限。

總體來說，該研究代表了機器學習在魚類年齡估算領域的重要進展，並可作為進行魚類年齡研究時的輔助工具。此外，使用CNN的優勢在於能夠在取樣耳石後即時估算魚群的年齡組成。這種即時的年齡估算對於太平洋黑鮪的管理至關重要，因為其資源量的恢復在很大程度上依賴於入添量（recruitment）的增加。因此，該研究提供了一個快速監控太平洋黑鮪年齡結構和族群變動的新工具，有助於漁業資源的有效管理和保育。

圖二、Grad-CAM++神經網路可視化分析。OMIA模型成功預測案例（a、b和c）和失敗預測的耳石案例（d、e和f），紅色代表模型關注區域。黑色和白色箭頭分別表示耳石腹側臂的第一和第二轉折。